一、传统评估方法的局限性分析 传统LLM评估体系以离线指标为核心，主要包括语言模型困惑度（Perplexity）、生成质量指标（BLEU/ROUGE）和任务适配指标（Accuracy/F1）。这些指标在特定场景下具有参考价值，但存在……
